基于激光点云的地面自然场景目标检测与识别

发布时间：2023-03-03 18:38

　　随着人工智能、云计算、大数据等新技术的飞速发展,越来越多的人工智能及自动化技术开始运用到生产生活的各个方面。在三维领域,自动驾驶技术方兴未艾,其中的关键技术在于基于激光点云的地面自然场景目标检测与识别。该问题在学术上也具有极高的研究价值,主要难点在于检测过程中环境复杂,目标容易受到遮挡,点云密度变化以及噪声等因素的干扰,在检测获取得到目标点云后,现有描述子描述能力有限,也无法较好的完成识别任务。本文从检测识别两个角度入手,提出并完成了以下工作:在目标的检测阶段,利用多平面地面点拟合方法代替原有单平面地面点拟合,在拟合平面种子点的选取上也以高度先验为基础,提升了速度的同时地面点的拟合也更准确;在点云聚类过程中,提出了基于LRF区域增长的点云聚类方法,构建点的局部参考坐标框架(Local Reference Frame,LRF)时增加对噪声及点云密度的处理,提高了算法鲁棒性,此外采用MCMD算法对种子点的增长进行改善,得到了质量更高的邻域点;并综合形状、分布、反射强度及视点特征构建分类器对聚类目标进行了粗分类完成了虚警的抑制。当完成检测任务,得到待识别目标点云后,本文采用了当前最有效的三维...

【文章页数】：103 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文的主要内容和组织结构
2 地面自然场景的三维目标检测
    2.1 引言
    2.2 激光雷达数据分析
    2.3 点云地面点滤除
    2.4 基于分割的点云聚类
    2.5 基于目标分类器的虚警抑制
    2.6 实验结果与分析
    2.7 本章小结
3 基于OctCNN网络的三维目标识别
    3.1 引言
    3.2 基于Octree的点云体素化表达
    3.3 OctCNN三维识别网络
    3.4 基于多任务学习的OctCNN改进
    3.5 本章小结
4 融合三维特征描述子的Fused OctCNN三维目标识别
    4.1 引言
    4.2 基于ESF特征子的识别
    4.3 融合分析及网络结构
    4.4 实验结果与分析
    4.5 本章小结
5 总结与展望
    5.1 研究工作总结
    5.2 后续研究工作展望
致谢
参考文献
附录1 :攻读硕士期间发表的论文及成果



本文编号：3752901